薛 紅 勤

(河南工業(yè)職業(yè)技術(shù)學(xué)院 文化旅游與國際教育學(xué)院,河南 南陽 473000)

在數(shù)字時(shí)代,傳統(tǒng)的教學(xué)模式發(fā)生了很大變化,“教”與“學(xué)”的內(nèi)涵發(fā)生了質(zhì)的變化[1]。后疫情時(shí)代線上線下混合式教學(xué)模式獲得了飛速的發(fā)展,眾多學(xué)者對該教學(xué)模式進(jìn)行了研究,并在教學(xué)模式的應(yīng)用等方面取得了較多的成果[2-4]。但由于該模式在教學(xué)時(shí)間、內(nèi)容分配、考核方式等方面存在很多問題,無法達(dá)到線下教學(xué)的效果,主要原因在于目前還沒有系統(tǒng)、全面的針對該模式的客觀的評估指標(biāo)和方法。本文依據(jù)多指標(biāo)的三維指標(biāo)評價(jià)體系,利用BP神經(jīng)網(wǎng)絡(luò)的智能化分析特點(diǎn),構(gòu)建了一個(gè)智能化的教學(xué)質(zhì)量評價(jià)模型,并對所建立的模型進(jìn)行了驗(yàn)證,以期對未來線上線下混合式教學(xué)的發(fā)展提供幫助。

1 評價(jià)指標(biāo)體系的制定

無論是線下還是線上教學(xué),以學(xué)生為中心的理念矢志不渝,并以此構(gòu)建學(xué)習(xí)理論。充分利用5G技術(shù)的發(fā)展和移動(dòng)應(yīng)用的普及,與移動(dòng)互聯(lián)網(wǎng)應(yīng)用等新的教育形態(tài)混合并拓展,本文從課程評價(jià)、過程評價(jià)、評價(jià)主體、評價(jià)方式、評價(jià)結(jié)果五個(gè)方面提出了構(gòu)建混合式教學(xué)質(zhì)量評價(jià)指標(biāo)體系應(yīng)遵循的原則。(1)線上線下混合式教學(xué)質(zhì)量評價(jià)體系應(yīng)立足于教學(xué)全過程,提高教學(xué)覆蓋面教學(xué)質(zhì)量考核指標(biāo)分。(2)線上線下混合式教學(xué)模式中的在線教學(xué)的過程評價(jià)有一定的難度,因此,更注重互動(dòng)作為過程評價(jià)的重要維度。互動(dòng)的方式不僅包括在線教學(xué)過程中的提問等方式互動(dòng),也包括了作業(yè)方式的互動(dòng),試卷考試測試方式的互動(dòng)等。(3)線上線下混合教學(xué)模式的評價(jià)主體是教師、學(xué)生、專家和教學(xué)平臺(tái)。(4)在評價(jià)方式上除線下教學(xué)中的課堂表現(xiàn)等,也應(yīng)充分利用在線工具和應(yīng)用平臺(tái)的在線數(shù)據(jù)進(jìn)行評價(jià)。(5)評價(jià)結(jié)果以學(xué)生的在線學(xué)習(xí)情況、作業(yè)質(zhì)量、期末考試成績等為依據(jù),同時(shí)應(yīng)注意學(xué)生課后的教學(xué)反饋及學(xué)期末的教師教學(xué)質(zhì)量評價(jià)。

2 評價(jià)指標(biāo)體系

教學(xué)質(zhì)量評價(jià)的核心在于評價(jià)的標(biāo)準(zhǔn),標(biāo)準(zhǔn)不同得到的結(jié)論有可能完全不同;評價(jià)標(biāo)準(zhǔn)是教師教學(xué)成績的肯定與否。本文通過借鑒已有的研究成果[5-8],并征詢相關(guān)專家意見,結(jié)合教學(xué)實(shí)踐,提出線上線下混合式教學(xué)的評價(jià)指標(biāo)體系。本指標(biāo)體系包含了課程、教學(xué)、效果、反饋4個(gè)一級指標(biāo),20個(gè)二級指標(biāo),具體指標(biāo)體系見表1。

表1 線上線下混合式教學(xué)課程建設(shè)的評價(jià)指標(biāo)

3 評價(jià)方法

3.1 模型開發(fā)

線上線下混合式教學(xué)質(zhì)量評價(jià)一直采用傳統(tǒng)的評價(jià)方法,如單因素評價(jià)法、總體評價(jià)法、模糊數(shù)學(xué)、運(yùn)籌學(xué)、多元統(tǒng)計(jì)分析、多維標(biāo)量分析等,這些方法不同程度地存在以下一些問題:次要指標(biāo)權(quán)重很難確定,評價(jià)具有主觀性和隨意性;計(jì)算復(fù)雜,求解費(fèi)力;算法缺失智能算力。

生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能被很好地模擬成人工神經(jīng)網(wǎng)絡(luò),該方法被廣泛應(yīng)用于評價(jià)數(shù)學(xué)或計(jì)算模型[9]。神經(jīng)網(wǎng)絡(luò)通過連接大量的神經(jīng)元構(gòu)成復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu),這種結(jié)構(gòu)能具有適應(yīng)性性,能依據(jù)外部信息自適應(yīng)改變內(nèi)部運(yùn)算。因此,神經(jīng)網(wǎng)絡(luò)也是數(shù)理統(tǒng)計(jì)方法的實(shí)際應(yīng)用,它使我們能夠獲得可以表達(dá)的大空間的局部結(jié)構(gòu)。另一方面,神經(jīng)網(wǎng)絡(luò)可以利用數(shù)理統(tǒng)計(jì)的方法來解決應(yīng)用中的決策問題(即統(tǒng)計(jì)方法讓人工神經(jīng)網(wǎng)絡(luò)能夠做出簡單的決策)。

誤差反向傳播神經(jīng)網(wǎng)絡(luò)簡稱BP網(wǎng)絡(luò)[10],該網(wǎng)絡(luò)結(jié)構(gòu)為三層網(wǎng)絡(luò)前饋分層,由輸入層、隱含層和輸出層組成。依據(jù)誤差的傳播方式又可分為前向和后向傳播網(wǎng)絡(luò)。BP網(wǎng)絡(luò)的工作模式:首先,信息從輸入層發(fā)送到隱藏層的單元。隱藏單元中計(jì)算,將生成的數(shù)據(jù)發(fā)送到輸出層。這種方式稱為前饋方式。然后打印與期望值相比,如果不滿足期望值,則轉(zhuǎn)換為誤差反向傳播,沿著原路徑傳回誤差,并通過修改每層神經(jīng)元的連接權(quán)重來減小誤差信號(hào)。通過不斷的前向、后向交替的“記憶訓(xùn)練”,直到期望誤差達(dá)到預(yù)期要求,從而得到一個(gè)穩(wěn)定的網(wǎng)絡(luò)模型。具體包括如下幾個(gè)關(guān)鍵步驟。

(1)神經(jīng)元數(shù)量的測定。模型的輸入神經(jīng)元數(shù)量的確定,通常是以指標(biāo)體系的指標(biāo)數(shù)作為神經(jīng)元的數(shù)量。比如如果體系有25個(gè)子指標(biāo),那么輸入層的神經(jīng)元數(shù)量就定為25。

(2)輸出層中神經(jīng)元數(shù)量的確定。模型的輸出層是混合模型最終的評估結(jié)果,可以依據(jù)評估結(jié)果來設(shè)定模型的輸出層神經(jīng)元數(shù)量。

(3)網(wǎng)絡(luò)隱含層數(shù)量的確定。隱含層數(shù)量可以沒有,也可以是一個(gè)或多個(gè)層。表示的含義分別是:沒有隱藏層表示線性可分離函數(shù)或決策;1個(gè)隱含層表示從一個(gè)有限空間連續(xù)映射到另一個(gè)有限空間;2個(gè)隱含層可以使用有理激活函數(shù)將任意決策邊界表示為任意精度,并且可以將任何平滑映射近似到任何精度;2個(gè)以上隱藏層可以學(xué)習(xí)復(fù)雜特征。

通常隱含層數(shù)量取決于輸入層,輸出層和輸入樣本的數(shù)量,本文確定隱含層數(shù)量依據(jù)下面的公式。

(1)

其中,n為輸入層大小,m為輸出層,s為樣本量,c為常數(shù)。

(4)隱藏層中神經(jīng)元數(shù)量的測定。

通過網(wǎng)絡(luò)的收斂性來判定隱藏層中的神經(jīng)元數(shù)量。隱藏層的神經(jīng)元多少都會(huì)帶來性能問題,太少會(huì)使得訓(xùn)練不充分,造成網(wǎng)絡(luò)不夠“魯棒”,容錯(cuò)率降低;相反,神經(jīng)元太多訓(xùn)練時(shí)間長,性能降低,誤差也提高不了多少。因此,神經(jīng)元參數(shù)確定大多采用遺傳算法,或者粒子算法來尋找最優(yōu)的參數(shù),最終得到一個(gè)經(jīng)驗(yàn)公式來確定。以下方程是幾個(gè)廣泛使用的經(jīng)驗(yàn)公式。

s=(0.43mn+0.12m2+2.54n+0.77m+0.35)1/2+0.51

(2)

s=(m+n)1/2+a,a∈[1,10]

(3)

(4)

其中,n為輸入層大小,m為輸出層,s為樣本量,c和a為常數(shù)。

(5)神經(jīng)元轉(zhuǎn)換函數(shù)。BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元轉(zhuǎn)換函數(shù)種類有很多,比如:Sigmoid函數(shù)、HardSigmoid函數(shù)、Swish函數(shù)、ReLU函數(shù)等。其中Sigmoid函數(shù)表達(dá)式如公式(5)所示。

(5)

其中系數(shù)λ表示函數(shù)的壓縮程度。

(6)模型結(jié)構(gòu)及訓(xùn)練流程。由上述參數(shù)確定后的基于BP神經(jīng)網(wǎng)絡(luò)線上線下混合式教學(xué)質(zhì)量評價(jià)模型的結(jié)構(gòu)如圖1所示。構(gòu)建的神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程如圖2所示。

3.2 模型訓(xùn)練及測試

針對所構(gòu)建的線上線下混合式教學(xué)質(zhì)量評價(jià)模型,需要進(jìn)行訓(xùn)練及測試,模型數(shù)據(jù)來源于學(xué)校一門課的期末考試及調(diào)查問卷,調(diào)查對象包括本專業(yè)所有參考學(xué)生,調(diào)查指標(biāo)涵蓋模型所有指標(biāo),要求學(xué)生對所有指標(biāo)進(jìn)行評分,總共78份,最終有效數(shù)據(jù)為60份。訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)按照2∶1分配,40份作為訓(xùn)練數(shù)據(jù),20份為測試數(shù)據(jù)。神經(jīng)元數(shù)量參數(shù)設(shè)置為 輸入層∶隱含層∶輸出層=38∶12∶1,學(xué)習(xí)率η=0.90,目標(biāo)誤差為ε=0.001。

網(wǎng)絡(luò)訓(xùn)練完成后,利用測試數(shù)據(jù)進(jìn)行測試。將測試模型輸出值與真實(shí)值進(jìn)行比較,比較數(shù)據(jù)如表2所示,真實(shí)值和模型輸出值的誤差對比圖如圖3所示。通過誤差分析可以看出,構(gòu)建的線上線下混合式教學(xué)質(zhì)量評價(jià)模型的輸出值與真實(shí)值比較接近,誤差在可接受范圍。由此,該模型的評價(jià)指標(biāo)能較為準(zhǔn)確地反映教學(xué)效果,具有一定的參考價(jià)值。

圖1 BP模型評價(jià)結(jié)構(gòu)

圖2 訓(xùn)練流程圖

表2 真實(shí)值與模型測試結(jié)果

圖3 真實(shí)值和模型輸出值圖

該模型在迭代過程中從開始到結(jié)束的收斂速度都很快,具有良好的并行效果。在測試組數(shù)據(jù)時(shí),準(zhǔn)確率高達(dá)82.36%。在BP模型訓(xùn)練中,相對傳統(tǒng)模型同比增長6.30%,精度明顯更高。由此對比傳統(tǒng)模型,本文的BP神經(jīng)網(wǎng)絡(luò)模型提高了線上線下混合式教學(xué)質(zhì)量評價(jià)訓(xùn)練效果,更快的計(jì)算時(shí)間,更快的收斂速度,提高了準(zhǔn)確率,且誤差非常小,完全在可接受的范圍內(nèi)。

4 結(jié)論

經(jīng)過實(shí)證研究,該模型的輸出值與真實(shí)值之間的誤差在可接受范圍,性能基本可以滿足實(shí)際的評價(jià)需求。另外,模型的精度取決于訓(xùn)練樣本的數(shù)量,隨著模型的應(yīng)用,訓(xùn)練樣本的增加,精度會(huì)逐步提高。總之,基于神經(jīng)網(wǎng)絡(luò)構(gòu)建的線上線下混合教學(xué)質(zhì)量評價(jià)模型為教學(xué)質(zhì)量評價(jià)和改進(jìn)方案提供有益的參考。未來,評價(jià)模型可以通過引入大數(shù)據(jù)和深度學(xué)習(xí)來進(jìn)一步改進(jìn)。此外,應(yīng)利用更多的案例來進(jìn)一步驗(yàn)證所制定的指標(biāo)體系和評價(jià)模型。